面向不平衡数据集分类的LDBSMOTE过采样方法OA北大核心CHSSCDCSSCICSTPCD
文章针对传统SMOTE及BSMOTE过采样方法会导致多数类样本识别率下降的问题,提出基于局部密度的改进BSMOTE算法(LDBSMOTE)。首先,根据样本分布特点计算局部密度值并筛选根样本,最大限度地保证具有潜在价值的样本不会被丢失,然后通过SMOTE合成样本,最后利用集成学习算法进行分类。为了验证LDBSMOTE的有效性对15个公共数据集进行实验,结果表明,相比SMOTE和BSMOTE,LDBSMOTE算法在F1、G-mean及AUC上平均提升…查看全部>>
王泳欣;张大斌;车大庆;吕建秋
华南农业大学数学与信息学院 广东省科技管理与规划研究院,广州510642华南农业大学数学与信息学院华南农业大学数学与信息学院 广东省科技管理与规划研究院,广州510642华南农业大学数学与信息学院 广东省科技管理与规划研究院,广州510642
信息技术与安全科学
不平衡数据集局部密度SMOTE集成学习
《统计与决策》 2022 (18)
P.58-63,6
评论